ChinaAPI
新規登録
日本語
English 日本語 한국어 ไทย Tiếng Việt Русский Bahasa Indonesia Português do Brasil Español Français (English only) 简体中文
新規登録

中国語音声APIディレクトリ

音声認識（ASR）およびテキスト読み上げのための中国語音声API。

1つの ChinaAPI key で利用できる音声認識・音声合成モデルを比較できます。各モデルは実際のリクエストパスをそのまま使用します。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2 は /v1/audio/speech を使用します。stepaudio-2-asr-pro、qwen3-asr-flash、stepaudio-2.5-asr は /v1/audio/transcriptions を使用します。mimo-v2.5-asr と mimo-v2.5-tts は、モデル固有の音声ペイロードとともに /v1/chat/completions を使用します。

無料で始められます — $2クレジット リアルタイム価格を表示

ライブカタログ

1つのデータソースから生成された11音声モデル。

Model IDs、エンドポイントモード、課金単位、機能、表示価格は scripts/models-data.jsonから取得しており、その音声料金は ChinaAPI ゲートウェイと照合されています。表示されるメディア料金には、プロバイダーの入出力課金、決済処理、チャージバックリスク、運用をまかなうサービスマージンが含まれる場合があります。マージンは表示料金に含まれており、別途加算されることはありません。本番導入の前に最新料金を確認してください。

stepaudio-2-asr-pro

音声認識（ASR） · StepFun

エンドポイント：投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible 文字起こしエンドポイント

請求する：音声1時間あたり$0.2963

AudioSpeech-to-Text

mimo-v2.5-asr

音声認識（ASR）· Xiaomi

エンドポイント：投稿/v1/chat/completions

リクエストモード: input_audioペイロードを使用したチャット完了

請求する：音声1時間あたり$0.074

AudioSpeech-to-TextMultilingualChinese DialectsNoise Robustness

mimo-v2.5-tts

テキスト読み上げ（TTS） · Xiaomi

エンドポイント：投稿/v1/chat/completions

リクエストモード: メッセージと音声出力設定を含むチャット完了機能

請求する：10k文字あたり$0

期間限定で上流料金が無料です。本番環境への導入前に、実際の料金をご確認ください。

AudioText-to-SpeechMultilingualStyle ControlBuilt-in Voices

stepaudio-2.5-tts

テキスト読み上げ（TTS） · StepFun

エンドポイント：投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する：10k文字あたり$0.85

AudioText-to-SpeechContextual TTSStyle ControlBuilt-in Voices

glm-tts

テキスト読み上げ（TTS） · Zhipu AI

エンドポイント：投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する：10k文字あたり$0.35

AudioText-to-SpeechStreamingEmotionVoice Control

qwen3-asr-flash

音声認識（ASR）· Alibaba

エンドポイント：投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible 文字起こしエンドポイント

請求する：音声1時間あたり$0.126

AudioSpeech-to-TextMultilingualEmotion RecognitionITN

qwen3-tts-flash

テキスト読み上げ（TTS）· Alibaba

エンドポイント：投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する：10k文字あたり$0.11

AudioText-to-SpeechMultilingualBuilt-in VoicesStreaming

speech-2.8-hd

テキスト読み上げ（TTS） · MiniMax

エンドポイント：投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する：10k文字あたり$1

AudioText-to-SpeechHigh FidelityEmotionMultilingual

speech-2.8-turbo

テキスト読み上げ（TTS） · MiniMax

エンドポイント：投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する：10k文字あたり$0.6

AudioText-to-SpeechLow LatencyEmotionMultilingual

step-tts-2

テキスト読み上げ（TTS） · StepFun

エンドポイント：投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する：10k文字あたり$0.4148

AudioText-to-SpeechVoice CloningEmotionPronunciation Control

stepaudio-2.5-asr

音声認識（ASR） · StepFun

エンドポイント：投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible 文字起こしエンドポイント

請求する：音声1時間あたり$0.022

AudioSpeech-to-TextStreamingChinese and EnglishITN

作業負荷に応じて選択

音声認識にはASR、音声出力にはTTSを使用します。

文字起こしと音声理解

stepaudio-2-asr-pro: StepFun StepAudio 2 ASR Pro — 32B パラメータの音声認識モデルです。StepFun の ASR ラインでは精度重視の選択肢で、stepaudio-2.5-asr は速度とコスト重視の選択肢です。ogg、mp3、wav のアップロードに対応し、文字起こしの出力には課金されません。

文字起こしと音声理解

mimo-v2.5-asr: Xiaomi MiMo-V2.5-ASR — 中国語、英語、コードスイッチング、地域の方言、ノイズの多い録音、遠距離の音声、複数話者、歌詞に対応した音声認識です。

音声出力の制御が可能

mimo-v2.5-tts: Xiaomi MiMo-V2.5-TTS — 内蔵ボイス、自然言語によるスタイル指示、感情、ペース、トーン、方言、キャラクターの制御を備えた、表現力豊かな多言語音声合成です。

専用経路を介した音声出力

stepaudio-2.5-tts: StepAudio 2.5 TTS — インラインの自然言語による演出指示、表現力豊かな話し方、内蔵ボイス、OpenAI-compatible な音声出力を備えた、文脈に応じた音声合成です。

専用経路を介した音声出力

glm-tts: GLM-TTS — 表現力豊かな話し方、ストリーミング出力、最初の音声の高速な出力、声・速度・音量の制御を備えた、文脈を踏まえた音声合成です。

文字起こしと音声理解

qwen3-asr-flash: Qwen3-ASR-Flash — 言語ヒント、逆テキスト正規化、感情認識、OpenAI-compatible な音声入力に対応した、多言語のファイル文字起こしです。

専用経路を介した音声出力

qwen3-tts-flash: Qwen3-TTS-Flash — 多言語が混在する入力、内蔵ボイス、自動言語マッチング、文字数ベースの課金に対応した、低レイテンシの多言語音声合成です。

専用経路を介した音声出力

speech-2.8-hd: MiniMax Speech 2.8 HD — 自然な感情表現、言語強化、音声コントロール、制作向けの音声フォーマットを備えた、高忠実度の音声合成です。

専用経路を介した音声出力

speech-2.8-turbo: MiniMax Speech 2.8 Turbo — 自然な出力、感情コントロール、言語強化、一般的な制作向け音声フォーマットを備えた、速度重視の音声合成です。

専用経路を介した音声出力

step-tts-2: Step TTS 2 — 公式ボイスとクローンボイス、速度と音量の制御、発音マッピング、複数の出力フォーマットを備えた、表現力豊かな音声合成です。

文字起こしと音声理解

stepaudio-2.5-asr: StepAudio 2.5 ASR — 高速な中国語・英語認識、ITN 正規化、字幕、会議、音声エージェント向けの 4B MTP ストリーミング文字起こしモデルです。

互換性の境界

OpenAI-compatible、単一の普遍的なオーディオ経路を意味するものではありません。

ルート名とリクエストエンベロープは OpenAI-compatible のパターンに従いますが、クライアントは各モデルが必要とする音声フィールドを送信する必要があります。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2 は /v1/audio/speech を使用します。stepaudio-2-asr-pro、qwen3-asr-flash、stepaudio-2.5-asr は /v1/audio/transcriptions を使用します。mimo-v2.5-asr と mimo-v2.5-tts は、モデル固有の音声ペイロードとともに /v1/chat/completions を使用します。

クイックスタート

必要なモデルと輸送手段のリクエストをコピーしてください。

stepaudio-2-asr-pro

音声認識（ASR）/v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=stepaudio-2-asr-pro" \
  -F "[email protected]" \
  -F "response_format=json"

mimo-v2.5-asr

音声認識（ASR）/v1/chat/completions

AUDIO_BASE64=$(base64 < meeting.wav | tr -d '\n')

curl -X POST https://api.chinaapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5-asr",
    "messages": [{
      "role": "user",
      "content": [{
        "type": "input_audio",
        "input_audio": {"data": "data:audio/wav;base64,'"$AUDIO_BASE64"'"}
      }]
    }]
  }'

mimo-v2.5-tts

テキスト読み上げ（TTS）/v1/chat/completions

curl -X POST https://api.chinaapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5-tts",
    "messages": [
      {"role": "user", "content": "Natural, clear, and friendly delivery"},
      {"role": "assistant", "content": "Welcome to ChinaAPI. 欢迎使用语音模型。"}
    ],
    "audio": {"format": "wav", "voice": "冰糖"}
  }' > response.json

stepaudio-2.5-tts

テキスト読み上げ（TTS）/v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "stepaudio-2.5-tts",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

glm-tts

テキスト読み上げ（TTS）/v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-tts",
    "voice": "tongtong",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

qwen3-asr-flash

音声認識（ASR）/v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=qwen3-asr-flash" \
  -F "[email protected]" \
  -F "response_format=json"

qwen3-tts-flash

テキスト読み上げ（TTS）/v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-tts-flash",
    "voice": "Cherry",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

speech-2.8-hd

テキスト読み上げ（TTS）/v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-hd",
    "voice": "Chinese (Mandarin)_Warm_Bestie",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

speech-2.8-turbo

テキスト読み上げ（TTS）/v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-turbo",
    "voice": "Chinese (Mandarin)_Warm_Bestie",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

step-tts-2

テキスト読み上げ（TTS）/v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "step-tts-2",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

stepaudio-2.5-asr

音声認識（ASR）/v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=stepaudio-2.5-asr" \
  -F "[email protected]" \
  -F "response_format=json"

ChinaAPIの音声モデルはすべて同じオーディオエンドポイントを使用していますか？

No. stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2 は /v1/audio/speech を使用します。stepaudio-2-asr-pro、qwen3-asr-flash、stepaudio-2.5-asr は /v1/audio/transcriptions を使用します。mimo-v2.5-asr と mimo-v2.5-tts は、モデル固有の音声ペイロードとともに /v1/chat/completions を使用します。

音声モデルの料金体系はどのようになっていますか？

stepaudio-2-asr-pro：音声1時間あたり$0.2963、mimo-v2.5-asr：音声1時間あたり$0.074、mimo-v2.5-tts：10k文字あたり$0、stepaudio-2.5-tts：10k文字あたり$0.85、glm-tts：10k文字あたり$0.35、qwen3-asr-flash：音声1時間あたり$0.126、qwen3-tts-flash：10k文字あたり$0.11、speech-2.8-hd：10k文字あたり$1、speech-2.8-turbo：10k文字あたり$0.6、step-tts-2：10k文字あたり$0.4148、stepaudio-2.5-asr：音声1時間あたり$0.022。表示されているメディア料金には、プロバイダーの入出力課金、決済処理、チャージバックリスク、運用をカバーするサービスマージンが含まれる場合があります。マージンがある場合は表示料金にすでに含まれており、別途加算されることはありません。これらの値はこのページに書き写されたものではなく、モデルカタログから描画されています。

中国本土のアカウントがなくても、これらのモデルを使用できますか？

はい。ChinaAPIは、中国本土のアカウントや電話番号がなくてもアクセスできます。キーを登録したら、選択したモデルに表示されているルートとペイロードを正確に使用してください。